CN111784581A - 基于自归一化生成对抗网络的sar图像超分辨率重建方法 - Google Patents
基于自归一化生成对抗网络的sar图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN111784581A CN111784581A CN202010630972.4A CN202010630972A CN111784581A CN 111784581 A CN111784581 A CN 111784581A CN 202010630972 A CN202010630972 A CN 202010630972A CN 111784581 A CN111784581 A CN 111784581A
- Authority
- CN
- China
- Prior art keywords
- sar image
- layer
- generator
- resolution
- activation function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010606 normalization Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004913 activation Effects 0.000 claims abstract description 65
- 235000004257 Cordia myxa Nutrition 0.000 claims abstract 7
- 244000157795 Cordia myxa Species 0.000 claims abstract 7
- 238000005070 sampling Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 9
- 230000003042 antagnostic effect Effects 0.000 claims 4
- 229920006395 saturated elastomer Polymers 0.000 claims 2
- 230000006870 function Effects 0.000 description 49
- 238000012549 training Methods 0.000 description 10
- 230000008034 disappearance Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 3
- 108020004566 Transfer RNA Proteins 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,包括以下步骤:将原始的低分辨率SAR图像输入自归一化生成对抗网络的生成器中,输出得到重建的超分辨率SAR图像;将原始的高分辨SAR图像与生成得到的超分辨SAR图像一起输入自归一化生成对抗网络的判别器中;若判别器判断输入的超分辨率SAR图像为生成器重建输出的,则重新训练生成器;若判别器判断为原始的高分辨率SAR图像,则将待重建的低分辨率SAR图像输入生成器中,对应输出重建的超分辨率SAR图像。与现有技术相比,本发明采用SeLU激活函数,改进得到具有自归一化功能的生成对抗网络,能够提升模型的稳定性和对SAR图像的适应性,从而达到从低分辨率原图中重建超分辨率图像的目的。
Description
技术领域
本发明涉及合成孔径雷达图像超分辨率处理技术领域,尤其是涉及一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法。
背景技术
SAR(Synthetic Aperture Radar),即合成孔径雷达,是一种主动式的对地观测系统,可安装在飞机、卫星、宇宙飞船等飞行平台上,全天时、全天候对地实施观测、并具有一定的地表穿透能力。因此,SAR系统在灾害监测、环境监测、海洋监测、资源勘查、农作物估产、测绘和军事等方面的应用上具有独特的优势,可发挥其他遥感手段难以发挥的作用。
合成孔径雷达主要是机载或星载平台,由于平台硬件及成像原理等因素的限制,机/星载SAR采集到的原始图像数据很难全部保证足够高的分辨率,导致图像特征信息不明显,进而对后续的图像分析处理造成影响。从低分辨率的原始图像中重建高分辨率图像一直是图像处理领域的重点研究课题。近年来基于生成对抗网络(GAN)的重建算法已逐渐成为图像超分辨率重建领域的主流方法,例如被广泛应用于光学图像超分辨率重建领域的SRGAN方法,在原始的SRGAN算法设计中,用于图像重建的生成器为数个残差模块组成的卷积神经网络结构,每个残差模块主要包括卷积层,批量归一化(Batch Norm,BN)层和激活函数。BN操作能够通过将输入图像中每个单元的均值和方差归一化至μ=0,σ2=1,从而加速网络的训练进程和避免梯度消失,是保证深度模型训练稳定性的重要步骤。然而这些基于经典GAN模型的图像重建对图像范围灵活性影响较大,无法适应大尺寸的SAR图像超分辨率重建。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,以适应大尺寸SAR图像的超分辨率重建,同时满足重建图像的高质量要求。
本发明的目的可以通过以下技术方案来实现:一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,包括以下步骤:
S1、获取原始的高分辨率SAR图像以及低分辨率SAR图像;
S2、将原始的低分辨率SAR图像输入自归一化生成对抗网络的生成器中,输出得到重建的超分辨率SAR图像;
S3、将原始的高分辨SAR图像与步骤S2得到的超分辨SAR图像一起输入自归一化生成对抗网络的判别器中,由判别器判断输入的超分辨率SAR图像是由生成器重建输出的还是原始的高分辨率SAR图像;
S4、若判别器判断为生成器重建输出的,则返回步骤S2重新训练生成器;若判别器判断为原始的高分辨率SAR图像,则执行步骤S5;
S5、将待重建的低分辨率SAR图像输入自归一化生成对抗网络的生成器中,对应输出重建的超分辨率SAR图像。
进一步地,所述生成器包括依次连接的生成器输入层、生成器第一卷积层、生成器第一激活函数层、第一残差模块组、生成器第二卷积层、总求和层、上采样组、生成器第三卷积层和生成器输出层,所述生成器第一激活函数层的输出还连接至总求和层,所述生成器第一激活函数层采用SeLU激活函数。
进一步地,所述第一残差模块组包括多个依次连接的生成器残差模块,所述生成器残差模块由依次连接的生成器第一子卷积层、子激活函数层、生成器第二子卷积层和子求和层组成,所述生成器第一子卷积层的输入连接至子求和层,所述子激活函数层采用SeLU激活函数。
进一步地,所述生成器残差模块的数量为5。
进一步地,所述上采样组包括两个依次连接的上采样单元,所述上采样单元包括依次连接的采样卷积层、上采样层和采样激活函数层,所述采样激活函数层采用SeLU激活函数。
进一步地,所述判别器包括依次连接的判别器输入层、判别器卷积层、判别器第一非饱和激活函数层、第二残差模块组、判别器第一全连接层、判别器第二非饱和激活函数层、判别器第二全连接层、饱和激活函数层和判别输出层,所述判别器第一非饱和激活函数层和判别器第二非饱和激活函数层均采用LeakyReLU激活函数,所述饱和激活函数层采用Sigmoid激活函数。
进一步地,所述第二残差模块组包括多个依次连接的判别器残差模块,所述判别器残差模块包括依次连接的判别器子卷积层、批量归一化层和非饱和子激活函数层,所述非饱和子激活函数层采用LeakyReLU激活函数。
进一步地,所述判别器残差模块的数量为7。
进一步地,所述步骤S2具体包括以下步骤:
S21、将原始的低分辨率SAR图像输入生成器输入层,经过生成器第一卷积层得到对应的特征图;
S22、特征图经过SeLU激活函数,输出非线性特征图;
S23、非线性特征图分别输入给第一残差模块组和总求和层,其中,非线性特征图进入第一残差模块组后,每个生成器残差模块均基于SeLU激活函数进行归一化处理,最后一个残差模块的输出经过生成器第二卷积层后进入总求和层;
S24、总求和层输出的特征图进入上采样组,在上采样组中,每个上采样单元均基于PixelShuffle像素重组以提高特征图分辨率、基于SeLU激活函数进行归一化处理;
S25、上采样组输出的特征图经生成器第三卷积层处理后,输出得到重建的超分辨率SAR图像。
进一步地,所述步骤S3具体包括以下步骤:
S31、将原始的高分辨SAR图像与生成器输出的超分辨SAR图像一起输入判别器输入层,经过判别器卷积层进行卷积处理,得到对应的特征图;
S32、特征图经过判别器第一非饱和激活函数层,输出非线性特征图;
S33、非线性特征图进入第二残差模块组,在第二残差模块组中,每个判别器残差模块均对特征图进行批量归一化处理,并使用LeakyReLU激活函数;
S34、第二残差模块组的输出依次经过判别器第一全连接层、LeakyReLU激活函数层、判别器第二全连接层后,进入饱和激活函数层,通过Sigmoid激活函数操作,输出结果0或1;
S35、判别器输出层根据饱和激活函数层的输出结果,判断输入的超分辨率SAR图像是由生成器重建输出的还是原始的高分辨率SAR图像,若输出结果为1,则判断输入的超分辨率SAR图像是原始的高分辨率SAR图像,若输出结果为0,则判断输入的超分辨率SAR图像是由生成器重建输出的。
与现有技术相比,本发明具有以下优点:
一、本发明利用传统GAN模型学习特征分布的能力,通过学习从低分辨率到高分辨率图像的映射关系,并利用具有自归一化功能的SeLU激活函数替代传统的批量归一化层,以解决批量归一化层导致网络模型的范围灵活性降低以及梯度消失问题,能够适应大尺寸的SAR图像超分辨率重建。
二、本发明通过构建自归一化生成对抗网络,将生成器的所有激活函数层均采用SeLU激活函数,并在生成器和判别器中分别设置第一残差模块组和第二残差模块组,能够有效降低网络模型的运算量和复杂度,避免发生训练过拟合详细,从而实现SAR图像高质量、高稳定性的超分辨率重建。
附图说明
图1为本发明的方法流程示意图;
图2为传统SRGAN模型结构示意图;
图3为本发明中自归一化生成对抗网络中生成器改进结构示意图;
图4为本发明中自归一化生成对抗网络整体结构示意图;
图5a为实施例中原始SAR图像示意图;
图5b为实施例中采用Bicubic方法后SAR图像超分辨率重建结果示意图;
图5c为实施例中采用SRCNN方法后SAR图像超分辨率重建结果示意图;
图5d为实施例中采用SRGAN方法后SAR图像超分辨率重建结果示意图;
图5e为实施例中采用本发明方法后SAR图像超分辨率重建结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,包括以下步骤:
S1、获取原始的高分辨率SAR图像以及低分辨率SAR图像;
S2、将原始的低分辨率SAR图像输入自归一化生成对抗网络的生成器中,输出得到重建的超分辨率SAR图像;
S3、将原始的高分辨SAR图像与步骤S2得到的超分辨SAR图像一起输入自归一化生成对抗网络的判别器中,由判别器判断输入的超分辨率SAR图像是由生成器重建输出的还是原始的高分辨率SAR图像;
S4、若判别器判断为生成器重建输出的,则返回步骤S2重新训练生成器;若判别器判断为原始的高分辨率SAR图像,则执行步骤S5;
S5、将待重建的低分辨率SAR图像输入自归一化生成对抗网络的生成器中,对应输出重建的超分辨率SAR图像。
本发明主要是基于传统GAN模型,通过引入具有自归一化功能的SeLU激活函数,以提升对SAR图像的适用性,实现对低分辨率SAR原始图像数据的超分辨率重建。其中,基于传统的图像超分辨重建算法SRGAN模型结构如图2所示,其生成器G和判别器D分别由两个包含多个残差模块的卷积网络构成,生成器G和判别器D的初始化参数分别为θG和θD,对于高分辨率训练样本IHR及其低分辨率副本ILR,可以等效视为GAN生成模型中的真实样本和随机噪声输入,训练生成器作为重建模型生成对应的超分辨率图像SR,因此SRGAN的最终优化目标函数可以表示为
在传统图像重建算法中,通常用来优化的损失函数LSR为基于像素的均方误差(Mean Square Error,MSE),其数学公式表示如下
其中W、H分别代表图像的宽度和高度,尽管基于MSE的优化能够得到较高的峰值信噪比,但是它会损失图像大部分的高频特征,对图像细节和纹理方面的生成效果并不理想。因此SRGAN提出一种特定的感知损失函数它可以表示为内容损失(Content loss)和对抗损失(Adversarial loss)的加权和,其数学表达式为:
W、H仍然表示图像的宽度和高度,(i,j)为每个特征图所处的位置,φij表示卷积网络中连接第i个Pooling层与第j个卷积层的特征图;
虽然SRGAN算法自提出后便被广泛应用于光学图像的超分辨率重建领域中并取得了令人满意的结果。然而,由于SAR图像在尺寸和成像机制上均与光学图像存在较大的差异,直接将SRGAN算法应用于SAR图像会在很大程度上影响重建的效果。
在原始的SRGAN算法设计中,用于图像重建的生成器为数个残差模块组成的卷积神经网络结构,每个残差模块主要包括卷积层,批量归一化(BN)层和激活函数。BN操作能够通过将输入图像中每个单元的均值和方差归一化至μ=0,σ2=1,从而加速网络的训练进程和避免梯度消失,是保证深度模型训练稳定性的重要步骤。然而,BN层在对图像特征表示进行归一化处理时,会同时去除网络模型的范围灵活性,这使得BN层更适合用于图像分类识别而非超分辨率重建模型中。
因此本发明提出了一种具有自归一化能力并适用于SAR图像超分辨率重建的生成对抗网络,如图3和图4所示,基于传统SRGAN模型结构进行以下改进:
(1)移除SRGAN模型残差模块中的所有归一化(BN)层;
(2)使用SeLU激活函数替代原来的ReLU或PReLU激活函数。
其中,SeLU(Scaled exponential Linear Units)是Klambauer等人在2017年提出的一种新型激活函数,它是ReLU的改进激活函数eLU(exponential Linear Units)的一种变体形式,其数学表达式为:
λ=1.0507009873554804934193349852946
α=1.6732632423543772848170429916717 (6)
式中,λ,α的取值为公式推导得到,研究已经证明SeLU激活函数能够在深度网络传播的过程中将均值和方差逐渐趋近于0和单位方差。因此,通过采用SeLU激活函数代替BN层和ReLU/PReLU激活函数,以构建得到自归一化的GAN超分辨率重建模型SNGAN,可以在保证模型归一化和生成能力的同时减少批量归一化层对图像特征的影响,从而极大的提高算法的生成效果和对SAR图像的适应性。
为验证本发明方法的有效性,本实施例分别采用双三次插值法(Bicubic)、SRCNN、SRGAN和本发明方法对图5a所示的原始SAR图像进行超分辨率重建,对应的重建结果分别如图5b、图5c、图5d和图5e所示,通过对比图5b~图5e可知,采用本发明方法能够得到更高质量的超分辨率重建结果。
综上所述,本发明主要对生成器结构进行改进,通过去掉所有残差模块中的BN层以避免其对图像范围灵活度造成影响而引起梯度消失等问题;此外,将原模型中的激活函数改为SeLU函数,以替代原本由BN层实现的图像归一化作用。采用本发明提出的方法进行SAR图像超分辨率重建,其中的自归一化生成网络既保留了图像的范围灵活度,使其对大尺寸,细节丰富的SAR图像具有更强的适应性,同时又确保了模型的较低运算量和复杂度,降低了训练过拟合的风险,从而能够实现SAR图像高质量、高稳定性的超分辨率重建。
Claims (10)
1.一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,其特征在于,包括以下步骤:
S1、获取原始的高分辨率SAR图像以及低分辨率SAR图像;
S2、将原始的低分辨率SAR图像输入自归一化生成对抗网络的生成器中,输出得到重建的超分辨率SAR图像;
S3、将原始的高分辨SAR图像与步骤S2得到的超分辨SAR图像一起输入自归一化生成对抗网络的判别器中,由判别器判断输入的超分辨率SAR图像是由生成器重建输出的还是原始的高分辨率SAR图像;
S4、若判别器判断为生成器重建输出的,则返回步骤S2重新训练生成器;若判别器判断为原始的高分辨率SAR图像,则执行步骤S5;
S5、将待重建的低分辨率SAR图像输入自归一化生成对抗网络的生成器中,对应输出重建的超分辨率SAR图像。
2.根据权利要求1所述的一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,其特征在于,所述生成器包括依次连接的生成器输入层、生成器第一卷积层、生成器第一激活函数层、第一残差模块组、生成器第二卷积层、总求和层、上采样组、生成器第三卷积层和生成器输出层,所述生成器第一激活函数层的输出还连接至总求和层,所述生成器第一激活函数层采用SeLU激活函数。
3.根据权利要求2所述的一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,其特征在于,所述第一残差模块组包括多个依次连接的生成器残差模块,所述生成器残差模块由依次连接的生成器第一子卷积层、子激活函数层、生成器第二子卷积层和子求和层组成,所述生成器第一子卷积层的输入连接至子求和层,所述子激活函数层采用SeLU激活函数。
4.根据权利要求3所述的一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,其特征在于,所述生成器残差模块的数量为5。
5.根据权利要求3所述的一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,其特征在于,所述上采样组包括两个依次连接的上采样单元,所述上采样单元包括依次连接的采样卷积层、上采样层和采样激活函数层,所述采样激活函数层采用SeLU激活函数。
6.根据权利要求1所述的一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,其特征在于,所述判别器包括依次连接的判别器输入层、判别器卷积层、判别器第一非饱和激活函数层、第二残差模块组、判别器第一全连接层、判别器第二非饱和激活函数层、判别器第二全连接层、饱和激活函数层和判别输出层,所述判别器第一非饱和激活函数层和判别器第二非饱和激活函数层均采用LeakyReLU激活函数,所述饱和激活函数层采用Sigmoid激活函数。
7.根据权利要求6所述的一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,其特征在于,所述第二残差模块组包括多个依次连接的判别器残差模块,所述判别器残差模块包括依次连接的判别器子卷积层、批量归一化层和非饱和子激活函数层,所述非饱和子激活函数层采用LeakyReLU激活函数。
8.根据权利要求7所述的一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,其特征在于,所述判别器残差模块的数量为7。
9.根据权利要求5所述的一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,其特征在于,所述步骤S2具体包括以下步骤:
S21、将原始的低分辨率SAR图像输入生成器输入层,经过生成器第一卷积层得到对应的特征图;
S22、特征图经过SeLU激活函数,输出非线性特征图;
S23、非线性特征图分别输入给第一残差模块组和总求和层,其中,非线性特征图进入第一残差模块组后,每个生成器残差模块均基于SeLU激活函数进行归一化处理,最后一个残差模块的输出经过生成器第二卷积层后进入总求和层;
S24、总求和层输出的特征图进入上采样组,在上采样组中,每个上采样单元均基于PixelShuffle像素重组以提高特征图分辨率、基于SeLU激活函数进行归一化处理;
S25、上采样组输出的特征图经生成器第三卷积层处理后,输出得到重建的超分辨率SAR图像。
10.根据权利要求6所述的一种基于自归一化生成对抗网络的SAR图像超分辨率重建方法,其特征在于,所述步骤S3具体包括以下步骤:
S31、将原始的高分辨SAR图像与生成器输出的超分辨SAR图像一起输入判别器输入层,经过判别器卷积层进行卷积处理,得到对应的特征图;
S32、特征图经过判别器第一非饱和激活函数层,输出非线性特征图;
S33、非线性特征图进入第二残差模块组,在第二残差模块组中,每个判别器残差模块均对特征图进行批量归一化处理,并使用LeakyReLU激活函数;
S34、第二残差模块组的输出依次经过判别器第一全连接层、LeakyReLU激活函数层、判别器第二全连接层后,进入饱和激活函数层,通过Sigmoid激活函数操作,输出结果0或1;
S35、判别器输出层根据饱和激活函数层的输出结果,判断输入的超分辨率SAR图像是由生成器重建输出的还是原始的高分辨率SAR图像,若输出结果为1,则判断输入的超分辨率SAR图像是原始的高分辨率SAR图像,若输出结果为0,则判断输入的超分辨率SAR图像是由生成器重建输出的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630972.4A CN111784581B (zh) | 2020-07-03 | 2020-07-03 | 基于自归一化生成对抗网络的sar图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630972.4A CN111784581B (zh) | 2020-07-03 | 2020-07-03 | 基于自归一化生成对抗网络的sar图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784581A true CN111784581A (zh) | 2020-10-16 |
CN111784581B CN111784581B (zh) | 2024-07-05 |
Family
ID=72759303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010630972.4A Active CN111784581B (zh) | 2020-07-03 | 2020-07-03 | 基于自归一化生成对抗网络的sar图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784581B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818764A (zh) * | 2021-01-15 | 2021-05-18 | 西安交通大学 | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 |
CN112837221A (zh) * | 2021-01-26 | 2021-05-25 | 合肥工业大学 | 一种基于双重判别的sar图像超分辨率重建方法 |
CN112925932A (zh) * | 2021-01-08 | 2021-06-08 | 浙江大学 | 一种高清晰的水下激光图像处理系统 |
CN113538307A (zh) * | 2021-06-21 | 2021-10-22 | 陕西师范大学 | 基于多视角超分辨深度网络的合成孔径成像方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100111368A1 (en) * | 2008-09-04 | 2010-05-06 | Canon Kabushiki Kaisha | Image processing apparatus |
JP2018023034A (ja) * | 2016-08-04 | 2018-02-08 | 日本放送協会 | 超解像フレーム選択装置、超解像装置、及びプログラム |
CN109410239A (zh) * | 2018-11-07 | 2019-03-01 | 南京大学 | 一种基于条件生成对抗网络的文本图像超分辨率重建方法 |
CN109544656A (zh) * | 2018-11-23 | 2019-03-29 | 南京信息工程大学 | 一种基于生成对抗网络的压缩感知图像重建方法及系统 |
CN110119780A (zh) * | 2019-05-10 | 2019-08-13 | 西北工业大学 | 基于生成对抗网络的高光谱图像超分辨重建方法 |
CN110363704A (zh) * | 2019-05-29 | 2019-10-22 | 西北大学 | 融合形态及色彩的图像超分辨率重建模型构建及重建方法 |
CN110807734A (zh) * | 2019-10-30 | 2020-02-18 | 河南大学 | 一种sar图像超分辨率重建方法 |
CN111127316A (zh) * | 2019-10-29 | 2020-05-08 | 山东大学 | 一种基于sngan网络的单幅人脸图像超分辨方法及系统 |
-
2020
- 2020-07-03 CN CN202010630972.4A patent/CN111784581B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100111368A1 (en) * | 2008-09-04 | 2010-05-06 | Canon Kabushiki Kaisha | Image processing apparatus |
JP2018023034A (ja) * | 2016-08-04 | 2018-02-08 | 日本放送協会 | 超解像フレーム選択装置、超解像装置、及びプログラム |
CN109410239A (zh) * | 2018-11-07 | 2019-03-01 | 南京大学 | 一种基于条件生成对抗网络的文本图像超分辨率重建方法 |
CN109544656A (zh) * | 2018-11-23 | 2019-03-29 | 南京信息工程大学 | 一种基于生成对抗网络的压缩感知图像重建方法及系统 |
CN110119780A (zh) * | 2019-05-10 | 2019-08-13 | 西北工业大学 | 基于生成对抗网络的高光谱图像超分辨重建方法 |
CN110363704A (zh) * | 2019-05-29 | 2019-10-22 | 西北大学 | 融合形态及色彩的图像超分辨率重建模型构建及重建方法 |
CN111127316A (zh) * | 2019-10-29 | 2020-05-08 | 山东大学 | 一种基于sngan网络的单幅人脸图像超分辨方法及系统 |
CN110807734A (zh) * | 2019-10-30 | 2020-02-18 | 河南大学 | 一种sar图像超分辨率重建方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925932A (zh) * | 2021-01-08 | 2021-06-08 | 浙江大学 | 一种高清晰的水下激光图像处理系统 |
CN112818764A (zh) * | 2021-01-15 | 2021-05-18 | 西安交通大学 | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 |
CN112818764B (zh) * | 2021-01-15 | 2023-05-02 | 西安交通大学 | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 |
CN112837221A (zh) * | 2021-01-26 | 2021-05-25 | 合肥工业大学 | 一种基于双重判别的sar图像超分辨率重建方法 |
CN112837221B (zh) * | 2021-01-26 | 2022-08-19 | 合肥工业大学 | 一种基于双重判别的sar图像超分辨率重建方法 |
CN113538307A (zh) * | 2021-06-21 | 2021-10-22 | 陕西师范大学 | 基于多视角超分辨深度网络的合成孔径成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111784581B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784581B (zh) | 基于自归一化生成对抗网络的sar图像超分辨率重建方法 | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN111476717B (zh) | 基于自注意力生成对抗网络的人脸图像超分辨重建方法 | |
CN106952228B (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
CN113222822B (zh) | 基于多尺度变换的高光谱图像超分辨率重建方法 | |
CN112184577B (zh) | 基于多尺度自注意生成对抗网络的单幅图像去雾方法 | |
CN110473142B (zh) | 基于深度学习的单幅图像超分辨率重建方法 | |
CN111080567A (zh) | 基于多尺度动态卷积神经网络的遥感图像融合方法及系统 | |
CN113284051B (zh) | 一种基于频率分解多注意力机制的人脸超分辨方法 | |
CN111161141B (zh) | 基于频带间注意力机制对抗学习高光谱单图超分辨率方法 | |
CN113538246B (zh) | 基于无监督多阶段融合网络的遥感图像超分辨率重建方法 | |
CN111598778A (zh) | 一种绝缘子图像超分辨率重建方法 | |
CN114972041B (zh) | 基于残差网络的极化雷达图像超分辨率重建方法和装置 | |
Long et al. | Bishift networks for thick cloud removal with multitemporal remote sensing images | |
CN115330643B (zh) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 | |
CN112883908A (zh) | 一种基于空频特征一致性的sar图像到光学图像映射的方法 | |
CN115526777A (zh) | 一种盲超分网络建立方法、盲超分方法及存储介质 | |
CN115953317A (zh) | 图像增强方法、装置、电子设备及存储介质 | |
CN113096015A (zh) | 基于渐进式感知和超轻量级网络的图像超分辨率重建方法 | |
CN116385265B (zh) | 一种图像超分辨率网络的训练方法及装置 | |
CN116862765A (zh) | 一种医学影像超分辨率重建方法及系统 | |
CN116563110A (zh) | 基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法 | |
CN116029908A (zh) | 基于跨模态和跨尺度特征融合的3d磁共振超分辨率方法 | |
Nanavati et al. | Generative adversarial networks: A comparative analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |